CVPRMar, 2020

基于空间金字塔的图推理用于语义分割

PDF
TL;DR本文提出一种改进的拉普拉斯算子将图形卷积引入语义分割任务中，并在特征空间中直接执行图形推理，以保留空间关系，并从不同尺度探索多个远程上下文模式的空间金字塔，结果表明，该方法在减少计算和内存开销方面具有可比性
graph convolutionsematic segmentationlaplacianglobal modelingspatial relationships
发现论文，激发创造
  • 用拉普拉斯金字塔重建和细化进行语义分割

    本文提出在卷积神经网络 (CNN) 中，通过 Laplacian 金字塔多分辨率重构和高分辨率特征地图的跳跃连接和乘法门来逐步优化从低分辨率地图中重构的区段边界，从而实现对需要密集像素标记的任务的高效语义分割。在 PASCAL VOC 和 Cityscapes 分割基准上实验，该方法能够实现最先进的语义分割结果。

    May, 2016

  • 迭代视觉推理：超越卷积

    本论文提出了一种用于迭代视觉推理的新框架，该框架采用两个核心模块 —— 使用空间记忆存储先前信念的本地模块和全局图形推理模块。图形模块由知识图谱、当前图像的区域图和将区域分配给类别的分配图组成。实验表明，该框架性能强大，与普通 ConvNets 相比在 ADE 上能获得 8.4％的绝对提升，并且该框架对于推理中遗漏的区域具有韧性。

    Mar, 2018

  • 基于图的全局推理网络

    该研究提出了一种名为 GloRe 的全局推理单元，实现了卷积神经网络对于远距离区域之间的全局关系的建模，能够有效提升图像识别、语义分割和视频行为识别等计算机视觉任务的性能。

    Nov, 2018

  • 通过压缩推理实现高效场景理解

    本文提出了一种称为 Squeeze Reasoning 的新框架，用于增强卷积神经网络中的上下文建模能力，有效地解决了像非本地块这样的图卷积模型的像素级计算开销过高的问题，该方法在不同的语义分割数据集上实现了显著的结果，并且在物体检测，实例分割和全景分割等各种场景理解任务中都表现出了重要的改进。

    Nov, 2020

  • 双图卷积网络用于语义分割

    本文提出了一种基于图卷积网络的新方法 (DGCNet)，主要用于像素级预测任务，为解决语义分割问题提供长程上下文信息建模。通过建模两个正交图来模拟输入特征的全局上下文，并通过将特征投影到新的低维空间来有效地实现。实现的模型在 Cityscapes 和 Pascal Context 数据集上取得了最优结果

    Sep, 2019

  • 多尺度超像素结构差异图卷积网络用于 VL 表示

    该论文提出了一种基于预训练模型的多模态语义表示方法，并引入了超像素和多尺度差异图卷积网络来提高视觉语义表达的准确性和精度，从而在多个下游任务学习方面表现出与其他先进方法的竞争力。

    Oct, 2023

  • 解耦和统一骨骼动作识别的图卷积

    本文提出了一种名为 G3D 的统一的空时图卷积算子方法和一种简单的多尺度图卷积方法，用于在神经网络中捕捉图像、模型人体动态的长程、多级别、空时依赖模型关系，以此提高特征抽取器效果，实验结果表明，该算法在三个大规模数据集上优于目前最先进的方法。

    Mar, 2020

  • 面向语义分割的类别动态图卷积

    该论文提出基于类别的动态图卷积网络 CDGCNet，采用类别动态图卷积（CDGC）模块自适应地传递信息，获得了在 Cityscapes，PASCAL VOC 2012 和 COCO Stuff 等三个流行的语义分割基准上的 state-of-the-art 表现。

    Jul, 2020

  • 局部谱图卷积用于点集特征学习

    本文介绍了一种在点云上进行特征学习的方法，使用基于图卷积的局部图结构和新颖的图池化方法，该方法取得了在点集分类和分割任务中的一致可靠优势。

    Mar, 2018

  • 一种关系增强的全卷积网络用于航空场景的语义分割

    本研究提出了空间关系模块和通道关系模块，可用于学习和推理任何两个空间位置或特征图之间的全局关系，并产生关系增强的特征表示。研究团队在利用两个航空图像数据集进行的语义分割任务中使用这些模块，取得了相当优异的结果，比基准模型有显著提升。

    Apr, 2019